kmeans聚类算法图像分类python

K-means聚类算法是一种常用的无监督学习算法，可以用于图像分类。下面是使用Python实现K-means聚类算法进行图像分类的步骤：

1.读取图像并将其转换为像素点的集合。
2.选择初始聚类中心。
3.使用K-means算法对像素点进行聚类，得到聚类中心。
4.根据聚类中心将像素点分为不同的类别。
5.展示分类后的图像。

下面是一个简单的Python代码示例：

import cv2
import numpy as np
from sklearn.cluster import KMeans

# 读取图像并将其转换为像素点的集合
def loadDataSet(arrimg):
    m, n, k = arrimg.shape
    dataSet = np.zeros((m * n, k))
    for i in range(m):
        for j in range(n):
            dataSet[i * n + j] = arrimg[i][j]
    return dataSet

# 选择初始聚类中心
def sel_init_cen(dataSet):
    init_cen_1 = np.array([dataSet[0]])
    init_cen_2 = np.array([dataSet[-1]])
    return init_cen_1, init_cen_2

# 使用K-means算法对像素点进行聚类，得到聚类中心
def kMeans(dataSet, k):
    kmeans = KMeans(n_clusters=k, random_state=0).fit(dataSet)
    return kmeans.cluster_centers_

# 根据聚类中心将像素点分为不同的类别
def classify(cen1, cen2, dataSet):
    m = dataSet.shape[0]
    result = np.zeros((m, 1))
    for i in range(m):
        if np.linalg.norm(dataSet[i] - cen1) < np.linalg.norm(dataSet[i] - cen2):
            result[i] = 0
        else:
            result[i] = 1
    return result

# 展示分类后的图像
def image2k(cen1, cen2):
    img = cv2.imread("IMGP8080.JPG")
    arrimg = np.array(img)
    m, n, k = arrimg.shape
    dataSet = loadDataSet(arrimg)
    result = classify(cen1, cen2, dataSet)
    newImg = np.zeros((m, n, k))
    for i in range(m):
        for j in range(n):
            if result[i * n + j] == 0:
                newImg[i][j] = cen1
            else:
                newImg[i][j] = cen2
    cv2.imshow("newImg", newImg.astype(np.uint8))
    cv2.waitKey(0)

# 主程序
def run():
    img = cv2.imread("IMGP8080.JPG")
    arrimg = np.array(img)
    dataSet = loadDataSet(arrimg)
    init_cen_1, init_cen_2 = sel_init_cen(dataSet)
    cen1, cen2 = kMeans(dataSet, 2)
    print("最终结果:", cen1, cen2)
    image2k(cen1, cen2)

run()